股票预测(数据为招商银行在A股的数据,模型为MSCNN_Bilstm_Attention,python,代码和数据均在压缩包里,可以直接运行,并使用MAE/MSE/MAPE/涨跌准确率作为指标)

1.数据介绍(考虑开盘价格,最高价格、最低价格,收盘价格等因素,预测未来的每天收盘价格):

2. 模型(MSCNN_Bilstm_Attention模型)

3.测试集的预测值和真实值

 

指标: 

 4.与另一篇文章中的CNN_LSTM_attention模型相比,测试集拟合效果更好一点,各项差异指标(MAE/MSE/MAPE)减小股票预测(数据为招商银行在A股的数据,模型为CNN_LSTM_Attention,编程语言为python,代码和数据均在压缩包里,可以直接运行,并使用MAE/MSE/MAPE/涨跌准确率作为指标)_深度学习的奋斗者的博客-CSDN博客

5.运行视频:MSCNN_BiLSTM_Attention模型实现股票智能预测_哔哩哔哩_bilibili

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
首先,需要准备好微博评论数据集,并进行数据预处理和清洗。然后,可以使用以下四种深度学习模型进行微博评论数据的二分类。 1. TextCNN模型 TextCNN模型是基于卷积神经网络的文本分类模型,可以处理不同长度的文本序列。该模型首先对文本进行embedding,然后通过一维卷积层提取文本特征,最后通过池化层得到文本的固定长度表示。这个固定长度的表示可以输入到全连接层进行分类。 2. BiLSTM模型 BiLSTM模型是基于循环神经网络的文本分类模型,可以捕捉文本序列中的时序信息。该模型可以使用双向LSTM来提取文本特征,然后使用池化层得到文本的固定长度表示。这个固定长度的表示可以输入到全连接层进行分类。 3. BiLSTM Attention模型 BiLSTM Attention模型是在BiLSTM模型的基础上加入了注意力机制的文本分类模型。该模型可以根据文本序列中每个位置的重要性,给不同位置的文本赋予不同的权重。这样可以更准确地捕捉文本中的重要信息。 4. TextCNN BiLSTM Attention模型 TextCNN BiLSTM Attention模型是在TextCNN模型和BiLSTM Attention模型的基础上进行了融合。该模型可以同时捕捉文本中的局部信息和全局信息,得到更好的文本表示。 下面是一个简单的代码示例,使用TextCNN模型进行微博评论数据的二分类。 ```python import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras.layers import Input, Embedding, Conv1D, MaxPooling1D, Flatten, Dense from tensorflow.keras.models import Model # 加载数据集 data = pd.read_csv('weibo_comments.csv', encoding='utf-8') X = data['comment'].values y = data['label'].values # 构建词汇表 vocab_size = 10000 tokenizer = tf.keras.preprocessing.text.Tokenizer(num_words=vocab_size) tokenizer.fit_on_texts(X) X = tokenizer.texts_to_sequences(X) max_len = max(len(x) for x in X) X = tf.keras.preprocessing.sequence.pad_sequences(X, maxlen=max_len) # 划分训练集和测试集 train_size = int(0.8 * len(X)) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 定义模型 inputs = Input(shape=(max_len,)) x = Embedding(vocab_size, 128, input_length=max_len)(inputs) x = Conv1D(filters=64, kernel_size=3, activation='relu')(x) x = MaxPooling1D(pool_size=2)(x) x = Flatten()(x) x = Dense(128, activation='relu')(x) outputs = Dense(1, activation='sigmoid')(x) model = Model(inputs=inputs, outputs=outputs) # 编译模型 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 训练模型 model.fit(X_train, y_train, epochs=10, batch_size=64, validation_data=(X_test, y_test)) ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

深度学习的奋斗者

你的鼓励是我努力的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值